你是否意识到，人工智能已经走进了我们的日常生活。最显著的例子是智能手机的虚拟助手和Netflix的推荐系统。不仅如此，人工智能也悄悄进入了教育领域。学生使用人工智能提高他们的成绩，而教师利用它进行在线评估和确定学生的优缺点。展望教育的未来，我们提出这样一个问题：人工智能能让我们更聪明吗?
多套方案交织：可能要使用至少Metrics、Logging、Tracing3种方案，维护代价巨大
等级2：异常关联+统一视图，对于自动识别的异常，能够进行上下文的关联，形成一个统一的业务视图，便于快速的定位问题
人工智能、深度学习浪潮直观的反映出行业往深度智能阶段发展的趋势走向，这并非偶然现象，几大应用市场需求的驱动，上游深度学习芯片和算法的开源，行业所具备的天然的海量数据训练集特征等多维因素一起推动了安防走向深度智能化。
边缘的AI允许通过本地化处理进行实时机器学习，从而实现即时数据处理，详细的安全性和增强的客户体验。同时，许多企业正在寻求将AI推入云端，这可以减少实施障碍，改善知识共享并支持更大的模型。前进的道路在于找到一种利用云和边缘优势的平衡。
在其他情况下，当在边缘生成大量数据时，在本地更新模型，然后将其子集反馈到云中以进行进一步优化可能更有意义。在对敏感数据进行推理时，开发人员还需要考虑一些隐私问题。例如，如果开发人员希望通过手机摄像头检测中风的证据，则应用程序可能需要在本地处理数据以确保符合HIPAA。
云计算和边缘AI协同工作，以更深入的洞察力为驱动力，制定即时的需求决策，而这些洞察力不断被新的边缘数据所告知。
培训工作流程
使边缘AI和云AI协同工作的主要挑战是程序和体系结构。需要对应用程序进行设计，以便有目的地拆分和协调它们之间的工作量。
在全增量实时同步解决方案系统中，可以从MySql、Oracle、IBM DB2、SQL server、POLARDB等关系型数据库中全量离线同步到MaxCompute、Hologres、Elasticsearch、Kafka、DataHub等大数据产品中，再实现实时抽取关系型数据库的变更信息，同步到大数据产品中。像MaxCompute这种离线数仓，可以通过同步到Log表、拆分至Delta表、Merge到Base表，最后再写入MaxCompute这样的方式做实时增量同步。
企业在实时数仓建设过程中应用最广泛的当属Labmda架构，它一定程度上解决了大部分企业数字化建设初期的业务问题，但是随着业务的快速发展、数据量的暴涨和业务需求的变化，Lambda架构的问题也就逐步凸显，主要包括几个方面：
Elasticsearch构建在Elastic Stack开源生态矩阵中，包括Beats（轻量级数据采集工具）、Logstash（收集、过滤、传输数据的工具）、Elasticsearch、Kibana（灵活的可视化工具）。
